1 Generación de ingresos expandidos a nivel Urbano

En los siguientes rpubs sólo llamaremos al rds ya construído llamado “Ingresos_expandidos_urbano_17.rds”:

x <- import("../../../archivos_grandes/Microdato_Censo2017-Personas.csv")
casen_2017 <- readRDS(file = "../../../archivos_grandes/casen_2017_c.rds")
casen_2017_u <- filter(casen_2017, casen_2017$zona == "Urbano")
casen_2017_u <- casen_2017_u[!is.na(casen_2017_u$ytotcor),]
Q <- quantile(casen_2017_u$ytotcor, probs=c(.25, .75), na.rm = FALSE)
iqr <- IQR(casen_2017_u$ytotcor)
casen_2017_sin_o <- subset(casen_2017_u, casen_2017_u$ytotcor > 
                                 (Q[1] - 1.5*iqr) &
                                 casen_2017_u$ytotcor < (Q[2]+1.5*iqr))
casen_2017_sin_o <- data.frame(lapply(casen_2017_sin_o, as.character),
                               stringsAsFactors=FALSE)
b <-  as.numeric(casen_2017_sin_o$ytotcor)
a <- casen_2017_sin_o$comuna
promedios_grupales <-aggregate(b, by=list(a), FUN = mean , na.rm=TRUE )
names(promedios_grupales)[1] <- "comuna"
names(promedios_grupales)[2] <- "promedio_i"
promedios_grupales$año <- "2017"
codigos_comunales <- readRDS(file = "../../../archivos_grandes/codigos_comunales_2011-2017.rds")
names(codigos_comunales)[1] <- "código"
names(codigos_comunales)[2] <- "comuna"
df_2017 = merge( promedios_grupales, codigos_comunales, 
                 by = "comuna", 
                 all.x = TRUE)

#saveRDS(df_2017,"Ingresos_expandidos_Urbano_17.rds")

my_summary_data <- x %>%
    group_by(x$COMUNA) %>%
    summarise(Count = n()) 
names(my_summary_data)[1] <- "comuna"     
names(my_summary_data)[2] <- "personas"
# recogemos el campo Comuna:
codigos <- my_summary_data$comuna
# construimos una secuencia llamada rango del 1 al total de filas del 
# dataset:
rango <- seq(1:nrow(my_summary_data))
# Creamos un string que agrega un cero a todos los registros:
cadena <- paste("0",codigos[rango], sep = "")
# El string cadena tiene o 5 o 6 digitos, los cuales siempre deben ser 
# siempre 5 
# agregandole un cero al inicio de los que tienen 4.
# Para ello extraemos un substring de la cadena sobre todas las filas 
#(rangos) 
# comenzando desde el primero o el segundo y llegando siempre al 6.
cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(my_summary_data,cadena)
names(comuna_corr)[3] <- "código"

comuna_corr <- comuna_corr[,-c(1),drop=FALSE]

# saveRDS(comuna_corr,"cant_personas_17.rds")
# comuna_corr

df_2017_2 = merge( comuna_corr, df_2017, by = "código", all.x = TRUE)

df_2017_2$ingresos_expandidos <- df_2017_2$personas*df_2017_2$promedio_i

df_2017_2  <- na.omit(df_2017_2)

df_2017_2_urbano <- df_2017_2[, -c(2,3,4)]

kbl(df_2017_2_urbano) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

saveRDS(df_2017_2_urbano, "Ingresos_expandidos_urbano_17.rds")

df_2017_2_urbano

##     código  año ingresos_expandidos
## 1    01101 2017         71930106513
## 2    01107 2017         33766585496
## 3    01401 2017          4966851883
## 7    01405 2017          3068247619
## 8    02101 2017        133249367039
## 9    02102 2017          4979702302
## 11   02104 2017          5109282942
## 12   02201 2017         71981127235
## 14   02203 2017          4869699464
## 15   02301 2017          7207910819
## 16   02302 2017          3084818966
## 17   03101 2017         52819016037
## 18   03102 2017          5628052276
## 19   03103 2017          4671058718
## 20   03201 2017          3499391196
## 21   03202 2017          4895805596
## 22   03301 2017         16404810756
## 24   03303 2017          2035200054
## 25   03304 2017          3424422750
## 26   04101 2017         61749247282
## 27   04102 2017         61277269093
## 28   04103 2017          2855312920
## 29   04104 2017           908664019
## 31   04106 2017          7058750373
## 32   04201 2017          8703433491
## 33   04202 2017          2122281844
## 34   04203 2017          6098444926
## 35   04204 2017          7690585032
## 36   04301 2017         31197719080
## 37   04302 2017          3124505460
## 38   04303 2017          6930326684
## 39   04304 2017          2328107498
## 41   05101 2017         90946261553
## 42   05102 2017          9352095757
## 43   05103 2017         14075920021
## 45   05105 2017          5490274928
## 46   05107 2017          9839456903
## 47   05109 2017        118563074323
## 49   05301 2017         23711104774
## 50   05302 2017          3654416747
## 51   05303 2017          2855998928
## 52   05304 2017          4140022481
## 53   05401 2017          9183080280
## 54   05402 2017          5094117762
## 55   05403 2017          1921527704
## 56   05404 2017          2333781007
## 57   05405 2017          2160521991
## 58   05501 2017         26131733924
## 59   05502 2017         14297866792
## 60   05503 2017          4828872604
## 61   05504 2017          7414857001
## 62   05506 2017          5749381300
## 63   05601 2017         22527241144
## 64   05602 2017          5398446270
## 65   05603 2017          5569658994
## 66   05604 2017          4315799297
## 67   05605 2017          3816682340
## 68   05606 2017          4408732520
## 69   05701 2017         23208536043
## 70   05702 2017          3264869972
## 71   05703 2017          7275684301
## 72   05704 2017          2385858928
## 73   05705 2017          5187514898
## 74   05706 2017          3907844674
## 75   05801 2017         52247193426
## 76   05802 2017         14176705125
## 77   05803 2017          5149662271
## 78   05804 2017         45800670899
## 79   06101 2017         76977097284
## 80   06102 2017          3758801352
## 81   06103 2017          1651985453
## 82   06104 2017          5466110795
## 83   06105 2017          6402533884
## 84   06106 2017         10426820415
## 85   06107 2017          6894533314
## 86   06108 2017         16602037093
## 87   06109 2017          2863689033
## 88   06110 2017          7392597596
## 89   06111 2017          4054025678
## 90   06112 2017          3559462966
## 91   06113 2017          4616762518
## 92   06114 2017          2741286093
## 93   06115 2017         17273974762
## 94   06116 2017          8078983811
## 95   06117 2017         13358975033
## 96   06201 2017          5643258336
## 97   06202 2017           891866686
## 98   06203 2017          1881627117
## 99   06204 2017          2458260033
## 100  06205 2017          1569822543
## 101  06206 2017          1475951353
## 102  06301 2017         24041131495
## 103  06302 2017          3691714537
## 104  06303 2017          9228754903
## 105  06304 2017          1611947197
## 106  06305 2017          4386786331
## 107  06306 2017          3079870843
## 108  06307 2017          2923796850
## 109  06308 2017          2102134220
## 111  06310 2017         11393463346
## 112  07101 2017         67732753814
## 113  07102 2017         12932986800
## 114  07103 2017          2662971120
## 115  07104 2017           866652110
## 116  07105 2017         12182624190
## 117  07106 2017          1825700105
## 118  07107 2017          1926795579
## 119  07108 2017          3126961590
## 120  07109 2017         10687595452
## 121  07110 2017          2294886656
## 122  07201 2017          9515918892
## 123  07202 2017          2234922252
## 124  07203 2017          1534908448
## 125  07301 2017         42117028333
## 126  07302 2017          2928781043
## 127  07303 2017          1741750148
## 128  07304 2017         12009998195
## 129  07305 2017          2845428741
## 130  07306 2017          4085560646
## 131  07307 2017          4611045339
## 132  07308 2017          7579820261
## 133  07309 2017           943414066
## 134  07401 2017         25291751487
## 135  07402 2017          4173410967
## 136  07403 2017          6597394825
## 137  07404 2017         11091040324
## 138  07405 2017          4508431050
## 139  07406 2017         12687530322
## 140  07407 2017          4251702731
## 141  07408 2017          4412680158
## 142  08101 2017         72227728923
## 143  08102 2017         32278209118
## 144  08103 2017         25641323296
## 145  08104 2017          2469551785
## 146  08105 2017          5651905803
## 147  08106 2017         12339953990
## 148  08107 2017         12561435651
## 149  08108 2017         36167321662
## 150  08109 2017          3582304723
## 151  08110 2017         48602104064
## 152  08111 2017         15133299927
## 153  08112 2017         26380344663
## 154  08201 2017          6534231082
## 155  08202 2017         11466769473
## 156  08203 2017          8327773342
## 157  08204 2017          1284670805
## 158  08205 2017          8488900056
## 159  08206 2017          4840107033
## 160  08207 2017          2305775206
## 161  08301 2017         60441208918
## 162  08302 2017           781935233
## 163  08303 2017          6433682620
## 164  08304 2017          5024717382
## 165  08305 2017          7299407611
## 166  08306 2017          7697899431
## 167  08307 2017          1916060576
## 168  08308 2017           784682868
## 169  08309 2017          1935917806
## 170  08310 2017           705390056
## 171  08311 2017          3454949584
## 172  08312 2017          3035048397
## 173  08313 2017          4693613938
## 174  08314 2017          1491367928
## 175  09101 2017         83174794799
## 176  09102 2017          5824543339
## 177  09103 2017          4330659433
## 178  09104 2017          1529109215
## 179  09105 2017          7518158340
## 180  09106 2017          2930258102
## 181  09107 2017          3670206245
## 182  09108 2017         11267725602
## 183  09109 2017          5049235445
## 184  09110 2017          1301137941
## 185  09111 2017          7867935676
## 186  09112 2017         21191399108
## 187  09113 2017          1799419624
## 188  09114 2017          6204576082
## 189  09115 2017          7443587942
## 190  09116 2017          2856420491
## 191  09117 2017          3380311968
## 192  09118 2017          2135976054
## 193  09119 2017          4860243131
## 194  09120 2017         13650235814
## 195  09121 2017          2940207311
## 196  09201 2017         14296297282
## 197  09202 2017          6098134776
## 198  09203 2017          4084643011
## 199  09204 2017          2072995481
## 200  09205 2017          2568496128
## 201  09206 2017          1547086780
## 202  09207 2017          2697526159
## 203  09208 2017          2757928013
## 204  09209 2017          2726714090
## 205  09210 2017          4863416659
## 206  09211 2017          7723760970
## 207  10101 2017         74854925754
## 208  10102 2017          9545646863
## 210  10104 2017          2742371891
## 211  10105 2017          5188291726
## 212  10106 2017          3980600731
## 213  10107 2017          4422233283
## 214  10108 2017          3825279050
## 215  10109 2017         13920663786
## 216  10201 2017         15304799118
## 217  10202 2017          8960055930
## 218  10203 2017          3559637517
## 220  10205 2017          4477578923
## 222  10207 2017           987644627
## 223  10208 2017          6579532876
## 224  10209 2017          2572844097
## 225  10210 2017          2996397098
## 226  10301 2017         43850482486
## 227  10302 2017          2359078294
## 228  10303 2017          6161043438
## 229  10304 2017          2689725003
## 230  10305 2017          3896715111
## 231  10306 2017          1674503801
## 232  10307 2017          1962995435
## 237  11101 2017         18912283227
## 239  11201 2017          7375332218
## 240  11202 2017          1642095149
## 242  11301 2017          1224029692
## 245  11401 2017          1622211456
## 247  12101 2017         51552266922
## 253  12301 2017          3034981682
## 256  12401 2017          7233637635
## 258  13101 2017        182367246208
## 259  13102 2017         22371586546
## 260  13103 2017         35892031153
## 261  13104 2017         39397353402
## 262  13105 2017         45770170398
## 263  13106 2017         50093952387
## 264  13107 2017         31106038806
## 265  13108 2017         37720956327
## 266  13109 2017         33097323323
## 267  13110 2017        128231071590
## 268  13111 2017         35760286668
## 269  13112 2017         41256447003
## 270  13113 2017         40307459856
## 271  13114 2017        134598169599
## 272  13115 2017         36968385127
## 273  13116 2017         26099479542
## 274  13117 2017         29397444939
## 275  13118 2017         40285970358
## 276  13119 2017        187034167391
## 277  13120 2017         88804766896
## 278  13121 2017         32058321741
## 279  13122 2017         77691132095
## 280  13123 2017         73330144381
## 281  13124 2017         73825647438
## 282  13125 2017         80689241762
## 283  13126 2017         34298531093
## 284  13127 2017         54458123369
## 285  13128 2017         43262464632
## 286  13129 2017         31753732439
## 287  13130 2017         37960091353
## 288  13131 2017         23331343432
## 289  13132 2017         42430139879
## 290  13201 2017        186533464474
## 291  13202 2017          8817024774
## 292  13203 2017          6933981276
## 293  13301 2017         43951136523
## 294  13302 2017         38020316317
## 295  13303 2017          6325126322
## 296  13401 2017         86474375157
## 297  13402 2017         30431412042
## 298  13403 2017          7803125477
## 299  13404 2017         24020488982
## 300  13501 2017         36054817558
## 301  13502 2017          2251756129
## 302  13503 2017          8766848005
## 303  13504 2017          3451350898
## 305  13601 2017         29299162746
## 306  13602 2017         10693979408
## 307  13603 2017          8304441408
## 308  13604 2017         17555873230
## 309  13605 2017         31711490484
## 310  14101 2017         51277944139
## 311  14102 2017          1179821617
## 312  14103 2017          4477574931
## 313  14104 2017          4159328181
## 314  14105 2017          2235081533
## 315  14106 2017          5342147079
## 316  14107 2017          4508111622
## 317  14108 2017          9938682028
## 318  14201 2017          9405987850
## 319  14202 2017          3627119212
## 320  14203 2017          2445838259
## 321  14204 2017          8405637271
## 322  15101 2017         68625788545
## 324  15201 2017           784324030
## 326  16101 2017         50965643906
## 327  16102 2017          4829367278
## 328  16103 2017          8022762560
## 329  16104 2017          2596282563
## 330  16105 2017          2213691761
## 331  16106 2017          1901248804
## 332  16107 2017          4477425886
## 333  16108 2017          3269367252
## 334  16109 2017          4599738091
## 335  16201 2017          2932397811
## 336  16202 2017          1300549630
## 337  16203 2017          4748629723
## 338  16204 2017          1571687052
## 339  16205 2017           957181342
## 340  16206 2017          1650320432
## 341  16207 2017          1181211462
## 342  16301 2017         13391296803
## 343  16302 2017          5741254097
## 344  16303 2017          2639471976
## 345  16304 2017          1118324609
## 346  16305 2017          3088800683

2 Generación de ingresos expandidos a nivel rural:

En los siguientes rpubs sólo llamaremos al rds ya construído llamado “Ingresos_expandidos_rural_17.rds”:

x <- import("../../../archivos_grandes/Microdato_Censo2017-Personas.csv")
casen_2017 <- readRDS(file = "../../../archivos_grandes/casen_2017_c.rds")
casen_2017_u <- filter(casen_2017, casen_2017$zona == "Rural")
casen_2017_u <- casen_2017_u[!is.na(casen_2017_u$ytotcor),]
Q <- quantile(casen_2017_u$ytotcor, probs=c(.25, .75), na.rm = FALSE)
iqr <- IQR(casen_2017_u$ytotcor)
casen_2017_sin_o <- subset(casen_2017_u, casen_2017_u$ytotcor > 
                                 (Q[1] - 1.5*iqr) &
                                 casen_2017_u$ytotcor < (Q[2]+1.5*iqr))
casen_2017_sin_o <- data.frame(lapply(casen_2017_sin_o, as.character),
                               stringsAsFactors=FALSE)
b <-  as.numeric(casen_2017_sin_o$ytotcor)
a <- casen_2017_sin_o$comuna
promedios_grupales <-aggregate(b, by=list(a), FUN = mean , na.rm=TRUE )
names(promedios_grupales)[1] <- "comuna"
names(promedios_grupales)[2] <- "promedio_i"
promedios_grupales$año <- "2017"
codigos_comunales <- readRDS(file = "../../../archivos_grandes/codigos_comunales_2011-2017.rds")
names(codigos_comunales)[1] <- "código"
names(codigos_comunales)[2] <- "comuna"
df_2017 = merge( promedios_grupales, codigos_comunales, 
                 by = "comuna", 
                 all.x = TRUE)

#saveRDS(df_2017,"Ingresos_expandidos_Urbano_17.rds")

my_summary_data <- x %>%
    group_by(x$COMUNA) %>%
    summarise(Count = n()) 
names(my_summary_data)[1] <- "comuna"     
names(my_summary_data)[2] <- "personas"
# recogemos el campo Comuna:
codigos <- my_summary_data$comuna
# construimos una secuencia llamada rango del 1 al total de filas del 
# dataset:
rango <- seq(1:nrow(my_summary_data))
# Creamos un string que agrega un cero a todos los registros:
cadena <- paste("0",codigos[rango], sep = "")
# El string cadena tiene o 5 o 6 digitos, los cuales siempre deben ser 
# siempre 5 
# agregandole un cero al inicio de los que tienen 4.
# Para ello extraemos un substring de la cadena sobre todas las filas 
#(rangos) 
# comenzando desde el primero o el segundo y llegando siempre al 6.
cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(my_summary_data,cadena)
names(comuna_corr)[3] <- "código"

comuna_corr <- comuna_corr[,-c(1),drop=FALSE]

# saveRDS(comuna_corr,"cant_personas_17.rds")
# comuna_corr

df_2017_2 = merge(  comuna_corr, df_2017, by = "código", all.x = TRUE)

df_2017_2$ingresos_expandidos <- df_2017_2$personas*df_2017_2$promedio_i
df_2017_2  <- na.omit(df_2017_2)

df_2017_2_rural <- df_2017_2[, -c(2,3,4)]

kbl(df_2017_2_rural) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

saveRDS(df_2017_2_rural, "Ingresos_expandidos_rural_17.rds")

3 Nivel nacional URBANO (código 1)

# más adelante utilizaremos éste dataframe para calcular la población por comuna:
# x <- import("../Microdato_Censo2017-Personas.csv")

tabla_con_clave <- readRDS("censos/censo_viviendas_con_clave_17.rds")
tabla_con_clave_u <- filter(tabla_con_clave, tabla_con_clave$AREA == 1)
b <- tabla_con_clave_u$COMUNA
c <- tabla_con_clave_u$P01
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"

d_t <- filter(d,d$unlist.c. == 1)
for(i in 2:10){
  d_i <- filter(d,d$unlist.c. == i)
  d_t = merge( x = d_t, y = d_i, by = "unlist.b.", all.x = TRUE)
}
 
# Agregamos un cero a los códigos comunales de 4 dígitos, que queda en la columna llamada **código**:
codigos <- d_t$unlist.b.
rango <- seq(1:nrow(d_t))
cadena <- paste("0",codigos[rango], sep = "")
cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(d_t,cadena)
comuna_corr <- comuna_corr[,-c(1),drop=FALSE] 
 
names(comuna_corr)[31] <- "código"

comuna_corr <- comuna_corr[,-c(3,6,9,12,15,18,21,24,27),drop=FALSE]
names(comuna_corr )[2] <- "Casa"
names(comuna_corr )[4] <- "Departamento en edificio"
names(comuna_corr )[6] <- "Vivienda tradicional indígena"
names(comuna_corr )[8] <- "Pieza en casa antigua o en conventillo"
names(comuna_corr )[10] <- "Mediagua, mejora, rancho o choza"
names(comuna_corr )[12] <- "(carpa, casa rodante o similar)"
names(comuna_corr )[14] <- "Otro tipo de vivienda particular"
names(comuna_corr )[16] <- "Vivienda colectiva"
names(comuna_corr )[18] <- "Operativo personas en tránsito (no es vivienda)"
names(comuna_corr )[20] <- "Operativo calle (no es vivienda)"
names(comuna_corr )[21] <- "año"
 
comuna_corr_urbano <- comuna_corr[,-c(1,3,5,7,9,11,13,15,17,19),drop=FALSE]

kbl(head(comuna_corr_urbano,50)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")

urb <- readRDS("Ingresos_expandidos_urbano_17.rds")
head(urb,5)

##   código  año ingresos_expandidos
## 1  01101 2017         71930106513
## 2  01107 2017         33766585496
## 3  01401 2017          4966851883
## 7  01405 2017          3068247619
## 8  02101 2017        133249367039

union_final_urb = merge( x = comuna_corr_urbano, y = urb, by = "código", all.x = TRUE)
union_final_urb = union_final_urb[!is.na(union_final_urb$ingresos_expandidos),]
union_final_urb <- union_final_urb[,-c(12,13)]
  
kbl(union_final_urb) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")